Fecha de la ultima revisión

## [1] "2025-02-19"

library(ggversa)
library(ggplot2)
library(janitor)

Histogramas con geom_histogram

Un histograma es una representación gráfica de los datos agrupados en compartimentos o bins. Estos compartimentos incluyen individuos con factores o agrupaciones de valores similares o cercanos numéricamente. Subsiguiente a la determinación de los compartimentos, se suma la cantidad de observaciones para cada uno de ellos. Un histograma es un tipo de gráfico muy común para visualizar la dispersión de esos datos. Continuaremos con el ejemplo de Dipodium para demostrar la función de geom_histogram a continuación.

En el primer caso de geom_histogram la cantidad de observaciones (datos) se suma de acuerdo a la posición de los compartimentos o bins.

En el segundo caso, para mostrar menos barras y ver la agrupación por grupos de 2, se escribe con geom_histogram (binwidth=1). Como se puede apreciar, el número de compartimentos se cambia utilizando el parámetro binwidth, donde su valor representa el ancho del compartimento (en nuestro caso es igual a 1). El número de bins predeterminado es 30. Cada barra representa la frecuencia de observaciones en la categoría a un metro de distancia. En ambos casos se usó color=white (o sea, color blanco) para poner una línea blanca alrededor de cada barra y así diferenciar mejor los grupos o bins. Nota que el programa retorna el mensaje stat_bin() using bins = 30. Pick better value with binwidth. Esto porque se acepto la cantidad de compartimiento prederminado.

Calcular el intervalo de los bins

Para calcular el intervalo de los bins se usa la siguiente fórmula:

\[\text{binwidth} = \frac{\text{max}(\text{data}) - \text{min}(\text{data})}{\text{bins}}\] Nota que el valor de bins es 30 por defecto, pero se puede cambiar a su conveniencia con el parámetro binwidth.

Hacemos un ejercicio a mano para calcular el intervalo de los bins con un dataset al azar, de una distribución normal con media de 10 y desviación estándar de 2.

set.seed(1234) ## usar la misma semilla para reproducibilidad

datos=rnorm(100, mean=10, sd=2)

datos # 100 datos de una distribución normal con media de 10 y desviación estándar de 2
##   [1]  7.585869 10.554858 12.168882  5.308605 10.858249 11.012112  8.850520
##   [8]  8.906736  8.871096  8.219924  9.045615  8.003227  8.447492 10.128918
##  [15] 11.918988  9.779429  8.977981  8.177609  8.325657 14.831670 10.268176
##  [22]  9.018628  9.118904 10.919179  8.612560  7.103590 11.149511  7.952689
##  [29]  9.969723  8.128103 12.204595  9.048814  8.581120  8.997484  6.741813
##  [36]  7.664761  5.639921  7.318014  9.411412  9.068205 12.898993  7.862715
##  [43]  8.289271  9.438754  8.011320  8.062971  7.785364  7.496028  8.952344
##  [50]  9.006300  6.387937  8.835848  7.782221  7.970076  9.675381 11.126112
##  [57] 13.295635  8.453293 13.211819  7.684383 11.313177 15.097982  9.930479
##  [64]  8.660733  9.984790 13.554169  7.722785 12.735654 12.659130 10.672946
##  [71] 10.013786  9.089063  9.266952 11.296573 14.140542  9.693203  7.218598
##  [78]  8.552836 10.516524  9.365882  9.644420  9.660012  7.255396  9.652426
##  [85] 11.700465 11.395217 11.099995  9.194536  9.616812  7.610944  9.893682
##  [92] 10.510392 13.411928 12.003027  9.008833 10.711101  7.730784 11.756407
##  [99] 11.945834 14.242234

Cual es valor mínimo y máximo de los datos?

min(datos) # valor mínimo
## [1] 5.308605
max(datos) # valor máximo
## [1] 15.09798

Usamos la formula anterior para calcular el intervalo de los bins, y queremos 10 bins

binwidth=(max(datos)-min(datos))/10

binwidth
## [1] 0.9789378

Ahora calculamos los bins con la función cut para ver la frecuencia de los datos en cada bin.

Que quiere decir la parentesis y el corchete en los bins?

  • (a,b] significa que el bin incluye el valor a pero no el valor b

  • [a,b] significa que el bin incluye el valor a y el valor b

  • (a,b) significa que el bin no incluye el valor a ni el valor b

  • [a,b) significa que el bin incluye el valor a pero no el valor b

bins=cut(datos, breaks=seq(min(datos), max(datos), binwidth), right=TRUE)
#bins # cada valor y en cual bin estará 
levels(bins) # los niveles de los bins
##  [1] "(5.31,6.29]" "(6.29,7.27]" "(7.27,8.25]" "(8.25,9.22]" "(9.22,10.2]"
##  [6] "(10.2,11.2]" "(11.2,12.2]" "(12.2,13.1]" "(13.1,14.1]" "(14.1,15.1]"

Histograma de la distancia de la orquidea focal al arbol más cercano

En el siguiente histograma, se muestra la distancia de las orquídeas Dipodium roseum a los árboles más cercanos. Este histograma se hizo con la base de datos dipodium que se encuentra en el paquete ggversa. Se puede ver que la mayoría de las orquídeas están a menos de 5 metros de los árboles más cercanos. La función geom_histogram se usa para hacer el histograma. Se puede ver que la función geom_histogram tiene varios parámetros que se pueden modificar para cambiar la apariencia del histograma. En este caso, se cambió el color de las barras a azul y el color de la línea alrededor de las barras a blanco. También se cambiaron los nombres de los ejes a español.

library(janitor)
library(ggversa)
DW=clean_names(dipodium) # este archivo de datos se encuentra en el paquete "ggversa"
names(DW)
##  [1] "tree_number"             "tree_species"           
##  [3] "dbh"                     "plant_number"           
##  [5] "ramet_number"            "distance"               
##  [7] "orientation"             "number_of_flowers"      
##  [9] "height_inflo"            "herbivory"              
## [11] "row_position_nf"         "number_flowers_position"
## [13] "number_of_fruits"        "perc_fr_set"            
## [15] "pardalinum_or_roseum"    "fruit_position_effect"  
## [17] "frutos_si_o_no"          "p_or_r_infl_lenght"     
## [19] "num_of_fruits"           "species_name"           
## [21] "cardinal_orientation"
library(gt)
DW %>%
  head() %>% 
 gt()
tree_number tree_species dbh plant_number ramet_number distance orientation number_of_flowers height_inflo herbivory row_position_nf number_flowers_position number_of_fruits perc_fr_set pardalinum_or_roseum fruit_position_effect frutos_si_o_no p_or_r_infl_lenght num_of_fruits species_name cardinal_orientation
1 E.o 75 1 1 2.47 40 11 35 n 1 24 0 0.00 r 1 0 r 0 r 1
1 E.o 76 2 1 1.97 50 19 47 n 2 23 0 0.00 r 2 0 r 0 r 2
2 E.o 76 3 1 1.95 350 18 63 n 3 25 1 0.04 r 3 0 r 1 r 8
3 E.o 58 4 1 3.24 210 24 47 n 4 20 5 0.25 r 4 0 r 5 r 5
4 E.o NA 5 1 0.85 80 25 61 n 5 13 0 0.00 r 5 0 r 0 r 2
5 E.o 59 6 1 2.62 160 17 35 n 6 25 2 0.08 p 6 0 r 2 p 4
 
a=ggplot(DW, aes(distance))
a+geom_histogram(color="white", fill="blue")+
  labs(x="Distancia", y="Frecuencia")+
  theme(axis.title=element_text(size=10,face="bold"))
## `stat_bin()` using `bins = 30`. Pick better value with
## `binwidth`.

Cambio del tamaño de los compartimiento con binwidth

Este histograma demuestra las distancias de las orquídeas Dipodium roseum a los árboles más cercanos. Esta especie de orquídea es parasítica de hongos/micorrizas y no produce fotosíntesis. La hipótesis es que las micorrizas, hongos, reciben nutrientes de las raíces de los árboles y los nutrientes son transferidos a las orquídeas a través de las micorrizas. A consecuencia, se debería hipotéticamente observar una distancia óptima de la orquídea a los árboles que sostienen las micorrizas si la hipótesis tiene alguna veracidad. Como se explicó antes, en el segundo gráfico, se cambió el binwidth a 1, que representa en este caso la distancia de 1 metro, y los bins van de -.5 a .5 m., el segundo bin de >0.5 a 1.5 metros y así sucesivamente.

length(DW$distance)
## [1] 1365
a=ggplot(DW, aes(distance))
a+geom_histogram(binwidth=.5,color="white", fill="blue")+
  labs(x="Distancia", y="Frecuencia")+
  theme(axis.title=element_text(size=10,face="bold"))

Números de camas en hospitales por 1000 habitantes en diferenctes paises

En el siguiente gráfico, vemos la frecuencia de número de camas de hospital por cada 1000 habitantes para 67 países utilizando la base de datos Camas_Hospital. Se hizo con la información que estaba disponible solo para los años 1996 y 2006. Tenemos dos gráficos solapados para visualizar si la distribución ha cambiado de entre el año 1996 y 2006. Note que las frecuencias del 2006 aparecen sobre las del 1996.

Camas_Hospital %>% 
  head() %>% 
  gt()
Pais Year Poblacion Camas
Armenia 1996 3173425 7.13
Australia 1996 18311000 8.50
Austria 1996 7959017 9.30
Azerbaijan 1996 7763000 9.81
Bahamas, The 1996 283792 3.94
Barbados 1996 265940 7.56
 
str(Camas_Hospital)
## 'data.frame':    134 obs. of  4 variables:
##  $ Pais     : Factor w/ 67 levels "Armenia","Australia",..: 1 2 3 4 5 6 7 8 9 10 ...
##  $ Year     : int  1996 1996 1996 1996 1996 1996 1996 1996 1996 1996 ...
##  $ Poblacion: int  3173425 18311000 7959017 7763000 283792 265940 10160000 213674 7717445 8362826 ...
##  $ Camas    : num  7.13 8.5 9.3 9.81 3.94 ...
unique(Camas_Hospital$Year) # cual son los años de muestreo
## [1] 1996 2006
a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year)))
a+geom_histogram(stat="bin", alpha=.5)+
  xlab("Número de camas por cada 1000 habitantes")+
  ylab("Frecuencia")
## `stat_bin()` using `bins = 30`. Pick better value with
## `binwidth`.

Modificando las escalas continuas con scale_y_continuous y scale_x_continuous

Se demuestra también cómo modificar la escala, primero con un método poco práctico numerando en el eje de Y cada valor donde queremos una línea. Note que se excluye el número 10 y por eso no aparece en el eje de Y la función es scale_y_continuous(breaks=c(x,x,x…x). En el eje de X se numera también pero esta vez se define la escala con scale_x_continuous(breaks=c( ), y c(x:xx) con un valor inicial de 1 y final de 15 para identificar cual son los valores que uno quiere en los ejes; eso es más práctico e incluye al valor 10. También se modifica la información de los ejes usando xlab y ylab, de manera tal que la descripción de la columnas se pueda presentar de forma específica y así hacer la información más clara para propósitos del gráfico. =

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year)))+
  geom_histogram(stat="bin", alpha=0.3)+
  scale_y_continuous(breaks=c(0,1,4,5,6,7,8,9,11,12,13,14,15))+
  scale_x_continuous(breaks=c(0:15))+
  theme(axis.title=element_text(size=10,face="bold"))
a
## `stat_bin()` using `bins = 30`. Pick better value with
## `binwidth`.

Solapamiento de frecuencia y intensidad de color

Podríamos pensar que, debido a que las frecuencias están solapadas, es difícil tener una buena apreciación de la distribución de los datos. Para comparar las frecuencias entre los grupos con más facilidad, se pueden diferenciar las frecuencias con 3 colores; en este caso el color azul para el año 2006, el color durazno para el año 1996, y el color grisáceo para las frecuencias que se solapan con ambos años. Se usa position=identity y alpha= pata modicar la intensidades de color de la barras. Ahora vemos que, por ejemplo, en el año 1996 la frecuencia más común en los países era de menos de 2 camas por 1,000 habitantes, y que ya para el año 2006 ya era de 2 y 8 camas por cada 1,000 habitantes.

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year)))
a+geom_histogram(stat="bin", alpha=0.5,
                 position="identity")+
  xlab("Número de camas por \n 1000 habitantes")+
  ylab("Frecuencia")+
  scale_y_continuous(breaks=c(0:9))+
  scale_x_continuous(breaks=c(0:15))+
  theme(axis.title=element_text(size=10,face="bold"))
## `stat_bin()` using `bins = 30`. Pick better value with
## `binwidth`.

Posicionar las barras uno al lado del otro con la función dodge

Para posicionar las barras unos al lado de los otros, se usa la función dodge. En este caso, se usó position=“dodge” para posicionar las barras uno al lado del otro. Se puede ver que la frecuencia de camas por 1,000 habitantes en los países ha aumentado en el año 2006 comparado con el año 1996. Se puede ver que en el año 2006 hay más países con más de 5 camas por 1,000 habitantes que en el año 1996. Se puede ver que en el año 1996 la frecuencia más común en los países era de menos de 2 camas por 1,000 habitantes, y que ya para el año

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year)))
a+geom_histogram(color="black", bins=15, alpha=0.9,
                 position="dodge")+
  xlab("Número de camas por \n 1000 habitantes")+
  ylab("Frecuencia")+
  scale_y_continuous(breaks=c(0:12))+
  scale_x_continuous(breaks=c(0:15))+
  theme(axis.title=element_text(size=10,face="bold"))

Gráficos para grupo con Facet_wrap

Cambio de colores del gráfico manualmente

Otra alternativa es usar dos gráficos para cada año; o sea, uno por cada grupo. En tal caso usaremos la opción facet_wrap. facet_wrap se explican con más detalle más adelante. Podemos cambiar el color de las barras usando scale_fill_manual; en nuestro caso, cyan4 para el 1996 y darkorange para el 2006. Además, note que con scale_color_manual podemos cambiar la línea alrededor de las barras; en nuestro caso la cambiamos a negro o black.

a=ggplot(Camas_Hospital, aes(Camas, fill=factor(Year),
                             color=factor(Year)))
a+geom_histogram(stat="bin", alpha=0.5)+
  xlab("Número de camas \n por cada 1000 habitantes")+
  ylab("Frecuencia")+
  scale_fill_manual(values=c("cyan4", "darkorange"))+
  theme(axis.title=element_text(family="Arial",size=10,face="italic", colour="#4ea7ad"))+
  facet_wrap(~Year)+
  scale_y_continuous(breaks=c(0:9))+
  scale_x_continuous(breaks=c(1:15))+
  scale_color_manual(values=c("black", "black"))+
  theme(axis.title.x=element_text(angle=180))+  # NOTE the x legend text 
  theme(axis.text.x=element_text(size=8, angle=90))
## `stat_bin()` using `bins = 30`. Pick better value with
## `binwidth`.

Opciones y Parametros de geom_histogram:

  • ggplot(el archivo de datos, aes(la variable continua))

    • geom_histogram (), binwidth, x, y, alpha, color, fill, stat, position.
    • binwidth: el ancho de los compartimentos donde por defecto es de 1/30 el rango de los datos.
    • alpha: la intensidad del color
    • fill: el color del área; ej., color=blue
    • color: el color de la línea alrededor del área; ej., color=white
    • position: “identity”, “stack”, “dodge”.
library(gt)
diamonds %>% 
  head() %>% 
  gt()
carat cut color clarity depth table price x y z
0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
0.29 Premium I VS2 62.4 58 334 4.20 4.23 2.63
0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75
0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48
  1. Usando el archivo de datos de diamonds en el paquete ggplot2, haga un histograma del precio de los diamantes, en diferentes chunks.
  • cambia el color de las barras
  • pon una linea blanca alrededor de las barras
  • separa los diamantes de diferentes color en histograma diferentes
  • evalúa como se ve los gráficos con las diferentes arreglos: position: “identity”, “stack”, “dodge”
  • cambia la intensidad del color
  • cambia los nombres de los ejes al español
  • salvar los gráficos en formato .png, o .tiff o .jpeg y subir por lo menos uno de estos a MSTeam.